多保真贝叶斯神经网络用于跨音速气动载荷的不确定性量化
原文中文，约700字，阅读约需2分钟。发表于：。本文实现了一种多保真贝叶斯神经网络模型，利用迁移学习来融合由不同保真度模型生成的数据。结果表明，该多保真贝叶斯模型在整体准确性和对未知数据的鲁棒性方面优于最先进的 Co-Kriging 方法。
混合神经可微模型（Hybrid Neural Differentiable Models）结合了物理学数值表示和深度神经网络，提供了强大的预测能力，并在数据驱动的复杂物理系统建模方面显示出巨大潜力。DiffHybrid-UQ是一种新方法，用于有效和高效地传播和估计混合神经可微模型中的不确定性。该方法能够识别和量化来自数据噪声和模型形式偏差以及数据稀疏性引起的认知不确定性。通过混合神经模型和无损变换，实现了这些不确定性的传播。同时，使用随机梯度下降轨迹估计认知不确定性。该方法适用于并行计算环境，并在常微分方程和偏微分方程问题中展示了优势。
